对话 NVIDIA CEO Jensen Huang：加速计算

回到软件那部分，你提到 Excel 并不是为 AI 使用而设计的。像 Claude 就有使用 Excel 的新功能，所以当你谈到这些时，你投资这些库，是为了让那样的模型表现得更好？还是说那是为微软或企业准备的——你想用这个，不想受制于世上的其他玩家？

嗯，SQL 是个好例子。SQL 被人使用，我们像其他人一样访问 SQL 系统，它是企业的 ground truth。现在不只是人会访问我们的 SQL 数据库了，会有一大堆 agent 来访问它。

它们需要做得快得多。所以我们要做的第一件事就是加速 SQL，这就是其中的简单逻辑。

这说得通。在模型方面，你指出语言模型只是其中一个类别。“一些最具变革性的工作正在蛋白质 AI、化学 AI、物理仿真、机器人和自主系统中发生”，这是你上周文章中写的。你之前在其它主题演讲中也提到过这个观点，还用了“一切都是 token”这个说法。你认为 transformer 是解锁一切的关键，还是说我们需要新的根本性突破来实现这些应用？

我们需要各种新模型。比如，transformer 做 attention 的能力是二次方扩展的，那么如何拥有相当长的记忆？如何让对话持续很长时间，而不让 KV cache 随着时间推移本质上变成垃圾？

或者拥有装满 KV cache 的整架固态硬盘。

JH当然，假设你能够记录下我们所有的对话，当你回头去引用某段对话时，引用的哪一部分最重要？这就需要某种新的架构，能够恰当地理解注意力，并且非常快速地处理它。

我们提出了一种 transformer 与 SSM 混合的架构，这正是 Nemotron 3 能够同时做到超级智能和超级高效的原因，这就是一个例子。

另一个例子是构建具有几何感知能力的模型，也就是说，生活中、自然界里的许多事物都是对称的。因此，当你生成这些模型时，你不希望它仅仅生成统计上看似合理的东西，它还必须基于物理规律，所以生成结果必须是对称的。例如，cuEquivariance 就能让你实现这类功能。

因此，我们设计了各种截然不同的技术——或者举个例子，当我们以词语为单位生成 token 时，它是一次性以块、以一小段一小段 token 的形式输出；而当你生成动作时，你需要它是连续的。所以，信息既有你生成和理解的离散型，也有你想生成和理解的连续型。Transformer 对两者兼顾并不理想。

我再引用一下文章里的话，你写道："在过去一年里，AI 跨越了一个重要的门槛。模型变得足够好，可以大规模投入使用。推理能力提升了。幻觉减少了。Grounding 大幅改善了。基于 AI 构建的应用首次开始产生真正的经济价值。"具体是什么发生了变化？因为我想到这个时间节点，感觉今年肯定是 agent 的元年，我今天刚写过这个话题——但去年呢，是因为推理吗？那是重大突破吗？

生成式 AI 当然是一个重大突破，但它幻觉很严重，所以我们必须对它做 grounding，而实现 grounding 的方法正是推理、反思、检索和搜索，我们就是这样帮它完成 grounding 的。没有推理，这一切都做不到，因此推理使我们得以对生成式 AI 进行 grounding。

而一旦你完成了 grounding，你就可以用这个系统来推理问题、分解问题，把它拆解成你真正可以着手处理的事项，于是下一代技术就是工具使用。说起来，搜索是一项没人愿意付费的服务，这大概很能说明问题，原因是获取信息虽然非常重要、非常有用，但并不是人们愿意为之付费的东西。要让某人愿意为你掏钱，门槛必须比单纯提供信息更高。"附近有什么好餐厅？"——信息本身，我认为并不值得付费。当然有些人愿意付，我也愿意付。

我们现在知道，我们已经跨过了那个门槛。它不仅能与我们对话、为我们生成信息，现在当然还能替我们做事。编程就是这方面最完美的例子。你只要稍微想一想就会明白，编程其实并不完全等同于语言模态，你必须教它识别空格、缩进和符号，这几乎就像一种全新的模态；而且你不能一次只生成一个 token 的代码，你必须对整个代码块进行反思。这个代码块必须被恰当地分解、必须达到最优，并且显然必须能够编译，它的 grounding 依据不能是概率上的真实性，而必须是可执行性。

代码要么能运行，要么不能。因此我认为，学会这种模态是一件大事。既然你现在可以这样做——我们每年支付给工程师数十万美元让他们写代码，而现在他们有了编程助手。他们可以去思考架构。不必再用代码一行行描述程序，那非常费时费力；他们现在可以用规格说明（specification）来描述软件，这抽象得多，也能让他们效率倍增。于是他们描述规格、架构，把时间用在解决问题和创新上，所以我们 100% 的软件工程师现在都在使用编程 agent。他们中的很多人已经有一段时间没写过一行代码了，但他们的产出极高，而且非常忙碌。

不过，你是否觉得存在一种诱惑，让人们因为编程结果可验证就过度外推？你提到的 agent 概念是，它们不仅能生成代码，还能实际验证代码，看看能不能运行；如果不行，就回去重来，而且这一切都可以在无人参与的情况下完成，因为有一个明确的标准："它到底能不能运行？"

嗯，因为你可以反思。比如说，你可以设计一座房子。设计房子或厨房过去是建筑师、设计师的工作，但现在木工也能做这些了。你提升了木工的能力，现在你可以让一个 agent 帮这位木工去设计房子、设计厨房，想出一些有趣的风格。这个 agent 并不需要某种执行工具。

不过，你可以给它一个例子。你说"我要的是这些风格，我希望它的审美是这样的"。因为这个 agent 能够反思，能够把自己的代码质量、结果质量与某个参考进行对比，它可以说："你知道吗，结果没我预期的那么好，我再重来一遍"，于是它就这样迭代。它不必完全可执行；事实上，越是概率性的、越是审美性的、越是主观性的——如果你愿意这么说——AI 反而表现得越好。

没错，所以你几乎有两个极端。一边是生成图像，这里没有标准答案；另一边是编程，这里有明确答案。AI 在这两端似乎都表现不错，问题在于它能在多大程度上向中间地带收敛。

我们现在相当确定它可以做建筑设计，相当确定它可以设计厨房和客厅。

话说回来，随着 agent 开始上线，有件事挺重要：你过去谈了很多关于加速计算的事，我觉得你多少有点贬低 CPU，好像说有一天 CPU 都会被淘汰，所有东西都会走向加速。结果现在 CPU 又火起来了。事实证明它们相当有用、相当重要，以至于你现在也在卖 CPU 了。当一名 CPU 推销员感觉如何？

毫无疑问，摩尔定律已经终结。加速计算不是并行计算。回溯到 30 年前，当时可能有 10 家、20 家、30 家并行计算公司，最后只有一家活了下来，就是 Nvidia。原因就在于我们有足够的智慧，认识到目标不是淘汰 CPU，而是加速应用。

所以我刚才错怪你的那件事，其实对其他所有人来说都是真的。

我们从未反对过 CPU，我们不想违反 Amdahl 定律。事实上，在我们的系统内部，加速计算会选择最好的 CPU，我们会买最贵的 CPU。原因是，如果那颗 CPU 不是最好、性能最强的，它就会拖慢价值数百万美元的芯片。

说到分支预测，你过去担心浪费 CPU 时间，现在则担心浪费 GPU 时间。

没错，你绝不能浪费 GPU，不能让 GPU 时间空转。所以我们总是使用最好的 CPU，以至于我们最终去做了 Grace，就是为了拥有最高性能的单线程 CPU，让数据传输速度快得多。因此，加速计算从来都不是针对 CPU 的。我的基本观点仍然成立：Amdahl 定律已经终结，那种依赖通用计算、不断堆砌晶体管的想法早已过时。所以从根本上说，我们并不反对 CPU。

不过，这些 agent 现在已经能够使用工具了，而它们想要使用的工具都是为人类设计的，基本上有两类。一类是我们在数据中心里运行的东西，其中大多是 SQL，大多与数据库有关；另一类是个人电脑。我们即将迎来能够学习非结构化工具使用的 AI——第一类工具使用是结构化的。CLI 属于工具使用，API 也属于工具使用，它们都是结构化工具使用，命令非常明确，参数也很明确，你跟应用程序交互的方式非常具体。

然而，还有大量应用从未被设计成带有 CLI 和 API，这些工具需要 AI 学习多模态、非结构化的使用方式：它得能够浏览网站，能够识别按钮和下拉菜单，就像我们一样一步步摸索着完成操作。这种工具使用会想要用到 PC，而我们两边都有——我们拥有极其出色的数据处理系统，而且如你所知，Nvidia 的 PC 是世界上性能最强的。

那么，面向 agent 的 CPU 与其他 CPU 有什么不同？也就是说，你会有一整柜全是 Vera CPU 的机架吗？

哦，这个问题非常好。过去十年里，CPU 的设计完全面向超大规模云，而超大规模云对 CPU 的变现方式是按核心计费。所以你会希望设计出尽可能多的可出租核心，性能反而是次要的。

你们主要应对的是网页延迟。

完全正确，就是这样。所以你优化的是 CPU 实例的数量。这就是为什么你会看到那些有两百核、三百核、四百核的 CPU 出现。但它们的性能并不强，而在工具使用场景中，GPU 正在等着工具执行完成——

没错，你想要的是尽可能快的单线程计算机。

所以关键只在速度吗？还是 CPU 本身需要更高的并行度，以避免缓存未命中之类的问题？或者说整条流水线都截然不同？

是的，最重要的是单线程性能，而且 I/O 必须非常出色。因为现在在数据中心里，运行的单线程实例数量会相当高，因此它会猛烈冲击 I/O 系统，会猛烈冲击内存控制器。Vera 的每 CPU 核心带宽、每 CPU 带宽，比以往任何一款 CPU 都高出三倍，所以它的设计目标是拥有大量 I/O 带宽和大量内存带宽，这样就不会让 CPU 成为瓶颈。如果 CPU 被拖住，那我们就会拖累一大堆 GPU。

这个 Vera 机柜，你提到它与 GPU 机柜紧密相连，但它仍然是解耦的吗？这样 GPU 可以同时为多个不同的 Vera 核心服务？而你在一块板上有一个 Vera 核心——

好的，明白了，这说得通。你们的 Intel 合作以及 NVLink 在这其中扮演什么角色，如果有的话？

非常好。世界上有些地方对 Arm 很满意，但有些地方仍然需要 x86，尤其是企业计算领域，有一大堆大家不想迁移的技术栈，所以 x86 对它们来说非常重要。

x86 代码的韧性有没有让你感到惊讶？

没有。Nvidia 的 PC 仍然是 x86 的，我们所有的工作站都是 x86。

我确实想恭喜你，就像你今天在 keynote 里说的，你是 token 之王。你在文章中也谈到，能源是 AI 基础设施的第一性原理，也是系统能产生多少智能的限制因素。如果真是这样，如果取决于你能产生多少 token，而你又受限于数据中心的能源总量，那为什么还有公司试图与 token 之王竞争呢？

这很难，因为造出一颗芯片就指望能取得相当显著的结果，这是不现实的。就连 Groq 也一样，除非我们把 Groq 和 Vera Rubin 配对使用，否则 Groq 也交不出这样的成绩。

那跟我说说这个，我下一个问题本来就要问 Groq。

所以，如果你审视推理的整个范围，一方面你想尽可能提高吞吐量，另一方面你又想尽可能产出更多 smart token——token 越 smart，你能收取的价格就越高。这两者之间的平衡，这种一边最大化吞吐量、一边最大化智能的张力，真的非常非常难以调和。

我不得不说，去年你有一张幻灯片讲到了这条帕累托曲线，我记得是在你发布 Dynamo 的时候，你说你的 GPU 可以覆盖整条曲线，所以你根本不用多想，直接买 Nvidia GPU 就行，Dynamo 两者都能兼顾。但现在你又说，“嗯，其实还没法完全覆盖”。

我们覆盖整条曲线的能力仍然比任何系统都强。我们可以在帕累托前沿上进一步延伸的，特别是在极高的 token 速率和极低的延迟方面，但这也会降低吞吐量。然而，由于 coding agent 的出现，由于这些 AI agent 正在创造非常非常好的经济效益，也由于这些 agent 被配备给了人类——实际上这些人非常，我是说，极其有价值。

没错，他们甚至比 GPU 还贵。

所以我想给我的软件工程师提供最高 token 速率的服务，因此如果 Anthropic 的 Anthropic Claude Code 有一个层级能把编码速度提高 10 倍，我愿意付费，我绝对愿意付费。

所以你们是在为自己打造这款产品？

我认为大多数伟大的产品，某种程度上都是因为你看到了一个痛点，你切身感受到了这个痛点，而且你知道市场正朝那个方向走。我们很希望我们的 coding agent 能快上 10 倍，但为了做到这一点，在高吞吐量系统中实现这一点非常非常困难，所以我们决定把 Groq 的低延迟系统加进来，然后基本上是协同运行、协同处理。

明白了。那这只是把 decode 和 prefill 分开吗？

我们甚至会做到 decode 中计算密度最大、FLOPS 最高的部分，也就是 decode 中的 attention 部分。

所以你们甚至把解耦细化到了 decode 层面。

没错，而这需要非常紧密的耦合，以及软件层面的深度集成。

那你们是怎么做到的呢？你说今年晚些时候就要出货，这笔交易才在几个月前宣布。

我们很早就开始研究解耦推理了，Dynamo 真正把 Nvidia 的想法摆上了台面。在我宣布 Dynamo 的那一天，所有人就应该意识到，我当时已经在思考“如何在一个异构基础设施上更精细地解耦推理”，而 Groq 的架构是我们架构的一个极端版本，他们曾经非常艰难。

Dynamo 是一年前的事，而 Groq 的合作差不多是在圣诞节前后才发生的。有没有什么事件让你觉得这事儿必须推进？

记住，我一年前宣布了 Dynamo，但我们已经做了两年，所以我们已经思考解耦推理两三年了，而且我们大概在正式宣布交易前六个月就开始和 Groq 合作了。所以我们很早就考虑过跟他们合作，把 Grace Blackwell 和 Groq 统一起来。

所以跟他们的接触，我真的很喜欢那个团队，我们不想要他们的云服务。他们有另一块自己非常看好、现在也仍然看好的业务，而且做得非常好，那不是我们想要的部分，所以我们决定收购团队并授权他们的技术。然后我们会拿到底层架构，从这里开始继续演进。

Interviewer所以这只是一个巧合，或者说不算巧合，也许根本算不上什么好巧合。

因为你知道，OpenAI 在 1 月份宣布了他们与 Cerebras 合作的一个实例。

JH那是完全独立于我们做的，说实话，我之前甚至都不知道这件事，但即使知道了也不会改变什么。我认为 Groq 的架构才是我无论如何都会选择的方向，对我们来说它要合理得多。

Interviewer这是不是第一次有某种 ASIC 方案让你眼前一亮，不禁感叹“哦，这其实在根本上就是不同的”？

JH是的，Mellanox。我们把一大堆计算栈整合进了 Mellanox 的体系。要知道，如果没有我们和 Mellanox 共同实现的网络内 fabric 计算，NVLink 就不可能达到我们现在所说的规模。把软件栈拆解开来，然后把它部署到需要去的地方，这是 Nvidia 的专长。我们并不执着于计算在哪里完成，我们只想加速应用。记住，Nvidia 是一家加速计算公司，不是一家 GPU 公司。

Interviewer对。你说电力是限制因素。当你的客户在考虑采购什么时，他们可以买各种传统 GPU，也可以买这些 LPU 机架。这是不是意味着，他们应该从“你确信这些设备能带来高得多的收入”这个角度来考虑？

JH这真的取决于他们做的是什么产品。假设你现在真的没有什么企业级应用场景，那我认为引入 Groq 没什么意义，原因在于你的大部分用户都是免费层客户，正在逐步转向付费。比例可能是三分之二免费、三分之一付费，在这种情况下，加入 Groq 会大幅增加成本。你还要占用一部分电力，这不值得。

Interviewer复杂度更高了。而且你还占用了服务器，有机会成本。

JH你本可以用这些资源来服务免费层用户的，对吧。然而，如果你做的是类似 Anthropic 或 OpenAI 的业务，Codex 正在创造非常好的经济效益，但你只是希望能生成更多 token，那么在这种情况下，增加那类加速器才能真正提升你的收入。

Interviewer到了 2026 年，我们实际上是被电力限制，还是被 fab 产能限制，还是别的什么？大家都在说供应不足。真正的瓶颈到底是什么？

JH我觉得可能几乎所有方面都快到极限了。你真的没法把任何一项翻一倍。

Interviewer因为你会撞到其他一些限制。

不过确实感觉，美国在筹措电力方面做得相当不错，可能比人们几年前预期的要好，现在感觉芯片才是真正的瓶颈。

JH我们的供应链规划得相当完善。要知道，我们本来就在为一个非常大的年份做准备，明年我们也计划大干一场。

Interviewer我们都看到了那些烧酒和炸鸡。

JH（笑）是的，没错。在我们的供应链规划中，我们有大概几百家合作伙伴，而且和他们都建立了长期合作关系。所以我对这部分感觉相当良好。

我不认为我们的电力是需求的两倍，我不认为芯片供应是需求的两倍，我不认为任何东西都是需求的两倍。但我认为，就我眼前所见的一切，从供应链的角度来看我们都能够支撑，而我最希望的事情莫过于所有的土地、电力和建筑外壳都能更快建成。

Interviewer这么说公平吗？在某种程度上，Nvidia 其实是稀缺性最大的受益者？如果存在电力稀缺，你的芯片能效最高，所以你能更好地利用这些电力。或者如果是 fab 产能稀缺，就像你刚才说的，你们早已在外确保供应链安全，基本已经理顺了，在这方面你们是不是最大的赢家？

JH嗯，我们是这个领域最大的公司，而且规划做得很好。我们在供应链上游做规划，也在下游做规划，所以我认为我们在让所有人做好准备迎接增长这方面做得非常出色。

Interviewer对，但从根本上说，无法进入中国市场这件事是否也算一种威胁？比如，如果中国最终拥有充足的电力和大量芯片，尽管那些芯片只有 7nm，他们有能力构建起一个生态系统，长期来看可能与 CUDA 抗衡，这是你所担心的吗？

JH毫无疑问，我们需要让美国技术栈进入中国，这一点我从一开始态度就非常明确，因为我认识到开源软件终将到来。没有哪个国家对开源软件的贡献比中国更大，而且我们也知道全球 50% 的 AI 研究人员来自中国，我们还知道他们非常有创造力。DeepSeek 绝非一项徒有其名的技术，它真的非常出色。Kimi 也很出色，Qwen 也很出色，他们在架构上做出了独特贡献，也在 AI 技术栈上做出了独特贡献，所以我认为我们必须认真对待这些公司。

只要美国技术栈是世界所依赖的基础，那么当这些技术从中国扩散出来时——这一定会发生，因为它是开源的——当它流出中国，进入美国产业、进入东南亚、进入欧洲时，美国技术栈就能做好准备接纳它们。我一直态度鲜明地认为，这可能是美国科技行业最为关键的地缘政治战略问题。

Interviewer对，我们上次聊的时候，特朗普政府封禁了 H20。你当时惊讶于自己竟能让特朗普政府理解你的观点吗？然后，你现在被中国政府卡住，是不是更惊讶了？

JH对于他们给我们制造障碍，我并不惊讶，原因当然是，中国希望发展自己的技术栈。在我们离开那个市场的这段时间里，你知道中国行业发展有多快，华为创下了该公司历史上的业绩纪录。这是一家历史非常悠久的公司，而他们创下了一个纪录年。他们大概有五、六家面向 AI 行业的芯片公司上市了吧。

我认为我们在思考美国领导力以及美国地缘政治和技术领导力时需要更具战略性。AI 不仅仅是一个模型，这是一个严重的误解——正如我所说，也正如你一开始提到的，AI 是一块五层蛋糕，我们必须赢下基础设施层、芯片层、平台层、模型层，还有应用层。

我们正在做的一些事情，正在危及我们国家在这五层中每一层的领导地位。我认为，以为赢的方式就是把所有东西从上到下捆绑在一起，把每家公司都绑进一个整体栈里，让我们只能赢、或者只能被任何单一层的上限所限制，这是一个可怕的错误。我们必须让每一层都走出去，努力去赢得市场。

Interviewer其他那些层是不是因为它们在华盛顿待得更久、经验更丰富而占了便宜，而你算是到得有点晚了？

你学到了什么？关于华盛顿，你学到的最大的一点是什么？

JH让我感到惊讶的是，“末日论者”（doomers）已经如此深地渗透进了华盛顿，以及他们的言论如何影响了政策制定者的心理。

Interviewer人人都在恐惧，而非乐观。

JH没错，而且我认为这有两个根本性问题。在这场工业革命中，如果我们不允许这项技术在美国普及，我们自己也不去利用它，那么发生在我们身上的，就会跟上一次工业革命中发生在欧洲身上的一样——我们把他们甩在了后面。而且在很多方面，正是他们发明了上一次工业革命的所有技术，而我们只是利用了这些技术。我希望我们能拥有历史的智慧，具备对技术的理解，不要陷入科幻小说和末日论的陷阱，不要被那些编造出来的离奇故事困住，那些故事旨在把不太懂技术的政策制定者吓得半死，让他们脑海中浮现出科幻式的具象化身，这毫无助益。

最让我担忧的一种情况是，当你在美国做民意调查时，民众对AI的支持度正在下降，这是个真正的问题。这就好比在上一次工业革命中，电力、电动机、汽油发动机的受欢迎程度下降了一样。互联网的支持度呢，你能想象吗？其他国家比我们更快地利用了它，随后技术更快地扩散到了它们的产业和社会中，所以我们必须非常、非常警惕，不要给这项技术赋予某种神秘的科幻具象化身，那毫无助益，只会吓人。

所以我不喜欢末日论者到处吓唬人，我认为真诚地表示担忧并警示人们，与制造吓唬人的修辞之间是有区别的。

我认为你随时都能看到的一种特征是，人们戴上“宏大思考”的帽子，试图梳理出所有这些细微差别，却忘记了真正的大众传播是用粗线条完成的。你不能说，“哦，你对这个有点害怕，但对那个XYZ就不怕”——你只是在传递恐惧，而非传递乐观。

是啊，而且不知怎的，这让他们听起来更聪明。

有时候也许——我们现在知道了——这有助于他们筹款，有时候有助于他们实现监管俘获。所以他们这么做有很多不同的动机，这些人都非常聪明，但我只想警告他们，这些事情大多可能会适得其反，最终反噬自身，他们总有一天会为此感到后悔。

我打算把几个问题串在一起，因为我知道我们时间有点紧。在自动驾驶汽车领域，你们与多家汽车制造商合作，你们有自己的 Alpamayo 模型，同时仍在向 Tesla 供应芯片。你今天在演讲中花了很大篇幅讲 OpenClaw——与此同时，推动 Vera 芯片的一个重要因素，比如我们谈到 agents，就是 Claude Code 以及 OpenAI 的 Codex 正在发生的情况。

我是否可以从中梳理出一个一贯的逻辑：你们投资开源模型也与此一致，即你们很乐意向某个领域的领先者或发明者供应芯片，但随后你们会快速跟进他们的做法，服务于所有其他受到他们威胁的企业？这样一来，你们同时拓宽了客户群，不仅仅依赖领先者，而且领先者也在帮你们向其他所有人销售，因为他们担心自己被甩在后面。

不，完全不是那样。我们在如此众多的不同领域都处于前沿。在很多方面，我们在这些领域中的许多领域都是领导者，但我们从不把它们变成产品。我们是一个技术栈，所以我们必须处于前沿，必须是技术栈的全球领导者，但我们不是解决方案制造商，也不是服务提供商。这是第一点。

是的，向来如此。没有理由去做，我们也很高兴不做。所以我们创造了所有这些技术，并将其开放给所有人使用。

不过，有趣的是，如果你回顾你们的主板，比如说你们出货的产品，如今一个机架里大概有三万个特定的 SKU 之类的。其中越来越多的部分由你们来定义，“它就得是这样”，部分是为了让组装更容易，凡此种种。在你们谈到那些垂直模块和开源模型时，软件方面是否也会发生类似的情况？

我们在垂直方向上创造一个东西，然后在水平方向上将其开放，所以每个人都可以使用他们想用的任何部分。

只要他们运行在 Nvidia 芯片上？

他们想用什么部分都可以，他们不必全部使用 Nvidia 芯片，也不必全部使用 Nvidia 软件。我们必须在垂直方向上构建它，在垂直方向上集成并优化它。但之后，我们把源代码给他们，我们给他们——他们只需要想清楚自己想怎么做。

你认为 Nvidia 是否真的能够产出并跟上前沿模型的步伐，在这个领域取胜或成为该领域必不可少的供应商？考虑到 Meta 似乎已掉队，而替代方案看来大体上是中国模型。

在那个领域取胜对我们来说并不重要。

好吧，不是说取胜重要，而是说需要有开源的前沿模型，所以如果不是你们，那会是谁？

没错，没错，总得有人来创建开源模型，而 Nvidia 在这方面确实具备真正的能力。每当我们创建这些开源模型时，我们也能学到很多关于计算的知识。

Blackwell 是不是有点问题？我听到一些传言，说训练运行可能比之前的要更困难一些。

Blackwell 的挑战100%在于 NVLink 72，NVLink 72 是一项累断腰的工作。那也是我唯一一次感谢观众与我们合作。

是的，我今天听你这么说的时候，感觉非常真诚。

是啊，因为我们折磨了所有人，但现在大家都喜欢它了。

这是我们第二次有机会面对面交谈，我之前在台北见到你时，印象最深刻的是 Nvidia 仍然像一家小公司。你担心自己会过度扩张吗？还是你仍然认为自己拥有那种 CUDA 式的飞轮效应，即“看起来我们做了很多事，但我们只是在反复做同一件事”？

Nvidia 之所以能如此快速地行动，是因为我们总是为公司拥有一个统一的理论，这是我的工作，我需要提出一个统一的理论，阐明什么是重要的，为什么事物之间相互关联，以及它们如何相互关联，然后创建一个组织，一个极其擅长落实这一统一理论的有机体。

而 Nvidia 的统一理论其实相当简单。一方面，我们拥有计算平台，与 CUDA-X 相关的软件平台。另一方面，我们是一家计算系统公司，我们在垂直方向上优化，在整个技术栈和计算机的所有不同组件之间进行极致的协同设计，而现在这台计算机就是我们的一个平台，我们将这个平台集成到所有云端和所有 OEM 中，然后我们还有另一个平台，即现在的数据中心平台，或者说 AI 工厂平台。

所以，一旦你拥有了关于 Nvidia 构建什么以及如何去构建的统一理论——我甚至利用主题演讲来讲述这个故事，部分也是讲给我们自己的员工听的。

我就是这种感觉。主题演讲的整个第一小时感觉就像是你在跟员工说话，提醒他们你们是做什么的。

重要的是，我们要时刻提醒自己什么对我们来说是重要的。AI 对我们很重要，但当然，CUDA-X 以及所有 solvers 和我们能够加速的所有应用对我们来说也非常重要。

谢谢你。很高兴见到你，Ben。继续保持出色的工作。

本期 Daily Update Interview 也可作为播客收听。如想在播客客户端中接收，请访问 Stratechery。

The Daily Update 仅供一位收件人阅读，但偶尔转发完全没有问题！如果您想为团队订购多份订阅并享受团体折扣（最少 5 份），请直接与我联系。

感谢您的支持，祝您有美好的一天！

Stratechery 每年最受欢迎、最重要的文章。

浏览 Stratechery 上的所有免费文章。

© Stratechery LLC 2026 | 服务条款 | 隐私政策

使用 WordPress 设计。由 Pressable 托管。